VIS-Ground 提出交互式视频生成新框架：把观众意图转为可执行约束
Hugging Face 论文页 2026 年 10 月 7 日收录的 VIS-Ground，尝试解决交互式视频生成中“观众干预后，模型该依据哪些上下文继续生成”的问题，把异构输入转为可执行的生成约束。
标签： 算力
GroundAnything 用并行扩散做视觉定位 4B 模型挑战快速推理
Hugging Face Papers 收录的论文提出 GroundAnything，一个 4B 参数视觉定位基础模型，用块级并行扩散解码替代传统自回归逐 token 输出，在延迟敏感场景下尝试兼顾定位精度与推理速度。
SpatialASM：用训练内化主动空间想象，提升LVLM空间推理
Hugging Face Papers 收录的论文提出 SpatialASM 框架，通过训练时空间模拟，把主动空间想象能力内化到大视觉语言模型中，以改善多视角空间推理。
Hugging Face论文提出MSAR：多流注意力残差架构，等损失下训练提速1.58倍
Hugging Face Papers 上出现一篇论文，提出多流注意力残差（MSAR），把注意力残差从单流扩展为多头深度注意力，在 18B 和 28B MoE 规模下报告了优于标准残差和已有残差变体的结果。
PageGram 让 20B 参数 n-gram 记忆表以平表读取代价实现多头寻址
alphaXiv 上的一篇新论文提出 PageGram，把多头 n-gram 哈希表的各行放进同一页，使设备端大参数记忆表的读取次数接近普通平表，同时保留多头抗碰撞优势。
MixTok 混合视觉分词器：1D 全局加稀疏 2D，降低图像 token 预算
Hugging Face Papers 收录的论文 MixTok 提出一种混合视觉分词方案：用紧凑的一维全局 token 打底，再按内容复杂度稀疏补充二维局部 token。在相同平均 token 预算下，图像重建与生成的评测指标表现有竞争力，指向“按需分配算力”的视觉 tokenization 路线。
AA-3D基准测试：顶尖AI模型为何更早查看自己渲染的3D场景
Artificial Analysis 发布 AA-3D 基准，用交互式 3D 场景任务评测 AI 模型，发现排名靠前的模型会更早查看自己生成的画面并开始浏览器测试，而这一行为与 Elo 排名高度相关。
CoTrace提出终端智能体训练新思路：运行时与模型协同进化，Qwen3.5-9B任务通过率提升
alphaXiv 于 2026 年 10 月 7 日展示的论文提出 CoTrace 数据配方，让终端智能体的运行时（harness）与模型权重交替进化，在 Tmax 评测中将 Qwen3.5-9B 解决任务数从 78 提升至 88（SFT）或 90（在线 RL）。
大模型“不思考”模式失灵：alphaXiv论文提出思维惯性
alphaXiv 上一篇论文指出，即使显式关闭大模型的思考模式或要求“只给答案”，模型仍经常输出推理过程，作者把这种现象称为“思维惯性”，并认为“不思考”应作为独立能力来评测。
Sonic-AMG：面向空间音频的流式人体动作生成，FID降至8.714
alphaXiv 上挂出的一篇论文提出 Sonic-AMG，尝试让角色在声音还在持续输入时就同步生成动作，而不是等整段空间音频播完再离线生成，目标是解决流式场景下的训练与推理错位问题。